从一本 EPUB 的“解包、翻译、打包”，到和扫描版 PDF 死磕到底，一路踩的坑都记在这儿了。
最近干了一件挺磨人的事：把一本电子书翻成中英对照版。一开始我觉得这活儿真不难——解开、翻译、打包，三步走完。结果这一走就停不下来，还顺手把扫描版 PDF 的老底掀了个干净。今天聊聊这一路踩的坑。
最初的愿望其实很朴素
起因是我手上有一本 EPUB 电子书，想边读边对照中文。要求也不高：每一段都配译文，原文在上、译文在下；原文是粗体，译文也得是粗体；原文是标题，译文也得是标题；图啊谱啊一概不能动。听着挺合理吧？
EPUB 说白了就是个 zip 包，里面全是 XHTML 文件，结构清清楚楚，文本能提取，样式有标签可循。所以第一本走得非常顺：拆开、逐段翻译、照原样拼回去，最后自动校验一遍就交货了。一本书 1872 段全部译完，粗体、下划线、标题层级都对得上，验证通过。那会儿我甚至有点飘，觉得电子书翻译也就这样了。
直到 PDF 出现，还是一本扫描件
然后 PDF 就来了。一本 164 页的钢琴教材，扫描件。
扫描件 PDF 有个大坑：页面上根本没有真正的“文本”，它就是一张大图，文字是 OCR 塞进去的一层隐形文字，方便你搜索、复制。但问题在于——这层隐形文字的坐标，跟图上你眼睛看到的字，经常对不上。 提取出来的文本能读，可你不知道它该放在哪儿。
我的第一反应是找现成工具。PDFMathTranslate（就是 pdf2zh）当时挺火，号称专门干这个。结果在这本书上彻底翻车：它想从 PDF 底层做“原位替换”，可扫描件那层隐形文本结构不完整，重写完中文英文叠在一起，还冒出一堆黑方块，压根没法看。试了几轮，我直接卸载了它。
这事儿给我的教训很直白：开源工具再热门，也得先拿真实文件小范围试一把，别想当然。
自己动手
行吧，那就自己来。思路整个换掉：不再跟 PDF 的底层结构较劲，回到“页面什么样就什么样”的路子上，只在文字上做文章。
结果文字这一层也不省心。光是“把原文弄掉、放上译文”这一个动作，颜色就不能随手填白——白纸黑字没事，可书页上有彩色底纹、五线谱、插图，填个白块上去满页白斑，一眼假。
还有一条死规矩：文字永远不能压图。 钢琴教材里到处是五线谱、音符、指法图、上下箭头，这些都是红线，译文必须绕着走。为了这个，我加了一堆避让和贴位的规则。
然后是没完没了的视觉检查。第 14 页文本框压住图片，第 16 页文字下移出了框，第 18 页译文太高盖到图，第 20 页“高音/低音”直接越界，最底下两段还压住了箭头，第 28 页文字糊到谱子上……一页一页修，每次改完都要重新渲染整本书，截图逐页看。这阶段没有任何捷径，文字对了不代表位置对了，只能靠眼睛。
中间还闹过一回笑话：参数改完，兴冲冲导出，翻了两页才发现输出的是没改的旧版本——测试文件堆了一堆，拿混了。那阵子工作目录里全是各种版本，多到我都不敢随手删。
别让它成为一次性的事
书终于译完了，输出页数直接翻了一倍——原文一页、译文一页，交替着来。但我真不想下次从头再来，所以干了两件事。
第一，加了个前置判断。PDF 一进来先看看它是扫描件还是正常排版的：是前者就按前者的法子处理，是后者就按后者的来，别上来一通乱试。就这一下，能避开不少冤枉路。
第二，把整套流程打包成一个技能，EPUB、MOBI、AZW3、FB2、PDF 五种格式通吃。非 EPUB 的格式先统一转成 EPUB 再走老路，PDF 保持 PDF 输出；整个流程收敛成一个入口，一条命令跑完。
还有一条贯穿始终的规矩：翻译必须看上下文。 逐句孤立翻是质量杀手——术语对不上、指代断掉、语气漂移。
我的做法是先通读全书结构，维护一整本书的术语表，翻每一段都带着前后文。这条我认为是“翻译质量”和“机翻”最本质的差别。
版本管理也没落下：技能推到 GitHub 私有仓库，旧版 EPUB 技能仓库归档，想回溯随时能看。
账目和一些拿头发换来的教训
顺便交代一下账目。整个项目烧掉的 token，按平台给的大体数据，粗算在 2.5 亿上下——光靠这两本书的文本量根本到不了这个数，大头全在反复返工、逐页渲染对比和一次次调试上。至于产出，两本书加起来，光中文译文就有十几万字。中间 PDF 部分返工了不知道多少轮。
教训攒了一堆，想到哪写到哪：
- • 扫描件那层文字看着能复制，其实跟图上对不上位置，别指望它。
- • 盖字这步，颜色随手填白就会满页花斑，别问我怎么知道的。
- • 排版好不好，眼睛说了算——文字对不等于位置对。
- • 扫描件和正常排版的 PDF 压根是两码事，别混着处理。
- • 最后一条，别让流程只活在自己脑子里，固化下来，不然下次从头再来。
收尾
回头看这事儿，开头就是一句“帮我弄个中英对照”，最后长成了一条能处理五种格式、自带检测和质检的流水线。说不上多酷，就是一路踩坑踩出来的。反正以后谁再扔给我一本 PDF，我第一件事一定是先分清它是什么货色。别的，暂时还没想到。
